人工智能是一门研究生(高年级本科生可选)专业基础课程,旨在讲授人工智能的基本理论、方法和技术,并落实到算法,主要内容包括:智能体,搜索算法,约束满足问题,逻辑智能体,自动推理,自动规划,知识表示,不确定知识和推理, 决策,机器学习,自然语言理解,机器人等。授课内容参见讲义。参考资料选自国际优秀教材和重要文献。

https://www.math.pku.edu.cn/teachers/linzq/teaching/ai/ai.html

人工智能 

1 引论

1.1  AI

1.2  基础

1.3  历史

1.4  现状

1.5  争论

2 智能体

2.1 智能体

2.2 智能程序

2.3 理性

2.4 环境

2.5 智能体结构

2.6 多智能体

3 搜索算法

3.1 问题求解主体

3.2 基本搜索算法

3.3 启发式搜索

3.4 局部搜索

3.5 在线搜索

3.6 对抗搜索

3.7 元搜索

4 约束满足问题

4.1  约束满足问题

4.2  约束传播

4.3  回溯搜索

4.4  局部搜索

4.5  结构与分解

5 逻辑智能体

5.1 知识智能体

5.2 命题逻辑

5.3 可满足性问题

5.4 一阶逻辑

5.5 AI的逻辑基础

6 自动推理

6.1 自动定理证明

6.2 前向和反向推理

6.3 归结

6.4 模型检测

7 自动规划

7.1  规划智能体

7.2  经典规划

7.3  分层规划

7.4  情态演算

7.5  偏序规划

7.6  非经典规划

7.7  排程

8 知识表示

8.1  知识

8.2  本体

8.3  产生式系统

8.4  定性物理

8.5  结构描述

8.6  框架与语义网

8.7  语义Web

8.8  知识图谱

8.9  知识嵌入

8.10  变化

8.11  解释与诊断

8.12  心智状态

8.13  常识   

9 不确定知识和推理

9.1  不确定性

9.2  概率

9.3  贝叶斯网络

9.4  概率推理

9.5  动态贝叶斯网络

9.6  因果推理

9.7  概率程序设计

9.8  概率逻辑

10 决策

10.1 决策智能体

10.2 优先性

10.3 效用

10.4 决策网

10.5 序列决策

10.6 多智能体系统

10.7 博弈论

11 机器学习

11.1 学习智能体

11.2 归纳学习

11.3 深度学习

11.4 统计学习

11.5 强化学习

11.6 迁移学习

11.7 集成学习

11.8 联邦学习

11.9 解释学习

11.10 计算学习理论

12 自然语言理解

12.1 语言

12.2 语法

12.3 语义

12.4 语言模型

12.5 神经语言系统

12.6 自然语言任务

12.7 对话 AI

13 机器人

13.1 机器人

13.2 计算机视觉

13.3 机器人感知

13.4 运动规划

13.5 控制器

13.6 智能汽车

14 人工智能哲学

14.1  AI 哲学

14.2  弱 AI

14.3  强 AI 

14.4  伦理

14.5  AI 的未来
成为VIP会员查看完整内容
0
42

相关内容

北京大学创建于1898年,初名京师大学堂,是中国近代第一所国立大学,也是最早以“大学”身份和名称建立的学校,其成立标志着中国近代高等教育的开端。北大是中国近代唯一以最高学府身份创立的学校,最初也是国家最高教育行政机关,行使教育部职能,统管全国教育。北大开创了中国高校中最早的文科、理科、法政科、商科、农科、医科等学科的大学教育,是近代以来中国高等教育的奠基者。

《智能计算系统》课程由陈云霁老师亲自“操刀”,让大家融会贯通地理解智能计算系统完整的软硬件技术栈,把割裂的知识点串起来打通任督二脉。据介绍,课程采用“应用驱动,全栈贯通”的思想,以一个图像迁移风格的驱动范例带动,重点围绕智能计算系统的设计理论、方法、关键技术等展开讨论,从基本概念开始,由浅入深帮助学生建立智能计算系统设计及应用的知识体系,培养智能时代急需的芯片设计、软件开发、算法研发等各个层次的人才。

课程网站:http://novel.ict.ac.cn/aics/ 视频链接:https://space.bilibili.com/494117284

课程简介

智能计算系统是智能的核心物质载体,每年全球要制造数以十亿计的智能计算系统(包括智能手机、智能服务器、智能可穿戴设备等),需要大量的智能计算系统的设计者和开发者。智能计算系统人才的培养直接关系到我国智能产业的核心竞争力。因此,对智能计算系统的认识和理解是智能时代计算机类专业学生培养方案中不可或缺的重要组成部分,是计算机类专业学生的核心竞争力。

本课程采用“应用驱动,全栈贯通”的思想,以一个图像迁移风格的驱动范例带动,重点围绕智能计算系统的设计理论、方法、关键技术等展开讨论,从基本概念开始,由浅入深帮助学生建立智能计算系统设计及应用的知识体系,培养智能时代急需的芯片设计、软件开发、算法研发等各个层次的人才。

课程大纲

第一章:概述展开 1.1 人工智能 1.2 智能计算系统 1.3 驱动范例

第二章:神经网络基础展开 2.1 从机器学习到神经网络 2.2 神经网络训练 2.3 神经网络设计原则 2.4 过拟合与正则化 2.5 交叉验证 下载课件

第三章:深度学习展开 3.1 适合图像处理的卷积神经网络 3.2 基于卷积神经网络的图像分类算法 3.3 基于卷积神经网络的图像目标检测算法 3.4 序列模型:循环神经网络 3.5 生成对抗网络GAN 3.6驱动范例

第四章:编程框架使用展开 4.1 为什么需要编程框架 4.2 编程框架概述 4.3 TensorFlow编程模型及基本用法 4.4 基于TensorFlow实现深度学习预测 4.5 基于TensorFlow实现深度学习训练

第五章:编程框架机理展开 5.1 TensorFlow的设计原则 5.2 TensorFlow计算图机制 5.3 TensorFlow系统实现 5.4 编程框架对比

第六章:深度学习处理器原理展开 6.1 深度学习处理器概述 6.2 目标算法分析 6.3 深度学习处理器DLP结构 6.4 优化设计 6.5 性能评价 6.6 其他加速器

第七章:深度学习处理器架构展开 7.1 单核深度学习处理器 7.2 多核深度学习处理器

第八章:智能编程语言展开 8.1 为什么需要智能编程语言 8.2 智能计算系统抽象架构 8.3 智能编程模型 8.4 智能编程语言基础 8.5 智能应用编程接口 8.6 智能应用功能调试 8.7 智能应用性能调优 8.8 基于智能编程语言的系统开发

第九章:实验展开 9.1 基础实验:图像风格迁移 9.2 拓展实验:物体检测 实验讲解 前序课程展开 线性代数 概率论与数理统计 计算机组成原理 机器学习 算法导论

成为VIP会员查看完整内容
0
25

机器学习涉及的是通过经验自动提高其性能的计算机程序(例如,学习人脸识别,推荐音乐和电影,以及驱动自主机器人的程序)。本课程从多种角度涵盖了机器学习的理论和实际算法。我们涵盖了贝叶斯网络、决策树学习、支持向量机、统计学习方法、无监督学习和强化学习等主题。课程涵盖的理论概念如归纳偏差,PAC学习框架,贝叶斯学习方法,基于边际的学习,和奥卡姆剃刀。编程作业包括各种学习算法的动手实验。本课程旨在为研究生提供机器学习研究人员所需要的方法论、技术、数学和算法的全面基础知识。

学习成果: 课程结束时,学生应能够:

实现并分析现有的学习算法,包括为分类、回归、结构预测、聚类和表示学习而充分研究的方法 将实际机器学习的多个方面集成到一个系统中:数据预处理、学习、正则化和模型选择 描述学习模型和算法的形式属性,并解释这些结果的实际含义 比较和对比不同的学习范式(监督的、非监督的,等等) 设计实验评估和比较不同的机器学习技术在现实世界的问题 运用概率论、统计学、微积分、线性代数和最优化来开发新的预测模型或学习方法 给出一种ML技术的描述,分析它,确定(1)形式主义的表达能力;(2)算法中隐含的归纳偏差;(3)搜索空间

参考书籍:

Machine Learning, Tom Mitchell. Machine Learning: a Probabilistic Perspective, Kevin Murphy. Full online access is free through CMU’s library – for the second link, you must be on CMU’s network or VPN. A Course in Machine Learning, Hal Daumé III. Online only.

目录内容: Classification & Regression Linear Models 深度学习 强化学习 生成模型 概率图模型 学习理论 学习方式

成为VIP会员查看完整内容
0
37

UvA - Machine Learning 1课程是阿姆斯特丹大学人工智能硕士课程的一部分。该课程由阿姆斯特丹机器学习实验室开发,目前由Erik Bekkers博士提供。

UvA - Machine Learning 1的课程主页(https://uvaml1.github.io)包括讲课的链接(Youtube频道)和相应的pdf注释幻灯片。该系列讲座密切关注Bishop的《模式识别和机器学习》一书。每个视频的开头都有相关章节。

课程内容如下:

  • 第一周

    • 1.1: 课程简介
    • 1.2: 什么是机器学习
    • 1.3: 机器学习的类型
    • 1.4: 概率轮,贝叶斯理论
    • 1.5: 概率论:示例
    • 2.1: 期望、方差和协方差
    • 2.2: 高斯分布
    • 2.3: 最大似然估计
    • 2.4: 最大似然估计:示例
    • 2.5: 最大后验
    • 2.6: 贝叶斯预测
  • 第二周

    • 3.1: 利用基础函数进行线性回归
    • 3.2: 利用最大似然进行线性回归
    • 3.3: 随机梯度下降
    • 3.4: 欠拟合和过拟合
    • 3.5: 正则最小二乘
    • 4.1: 模型选择
    • 4.2: 偏置方差分解
    • 4.3: 高斯后验
    • 4.4: 序列贝叶斯学习
    • 4.5: 贝叶斯预测分布
  • 第三周

    • 5.1: 等价核
    • 5.2: 贝叶斯模型对比
    • 5.3: 模型证据近似/经验贝叶斯
    • 5.4: 使用决策区域分类
    • 5.5: 决策理论
    • 5.6: 概率生成式模型
    • 6.1: 概率生成式模型: 最大似然
    • 6.2: 概率生成式模型: 离散数据 (朴素贝叶斯)
    • 6.3: 判别函数
    • 6.4: 判别函数: 最小二乘回归
    • 6.5: 判别函数: 感知器
  • 第四周:

    • 7.1: 利用基础函数进行分类
    • 7.2: 概率判别式模型:逻辑回归
    • 7.3: 逻辑回归:随机梯度下降
    • 7.4: 逻辑回归:牛顿-拉夫逊方法
    • 8.1: 神经网络
    • 8.2: 神经网络: 万能近似理论
    • 8.3: 神经网络: 损失
    • 8.4: 神经网络: 随机梯度下降
    • 8.5: 神经网络: 反向传播
  • 第五周

    • 9.1: 无监督学习 - 隐变量模型
    • 9.2: K-Means聚类
    • 9.3: 拉格朗日乘子
    • 9.4: 高斯混合模型和EM算法
    • 10.1: 主成分分析: 最大方差
    • 10.2: 主成分分析: 最小重构损失
    • 10.3: 概率主成分分析
    • 10.4: 非线性主成分分析(核PCA和自编码器)
  • 第六周

    • 11.1: 核化线性模型
    • 11.2: 核技巧
    • 11.3: 支持向量机: 最大间隔分类器
    • 11.4: 不等约束优化 (对偶拉格朗日)
    • 11.5: 支持向量机: 核SVM
    • 11.6: 支持向量机:软间隔分类器
    • 12.1: 高斯的一些有用的属性
    • 12.2: 核化贝叶斯回归
    • 12.3: 高斯过程
    • 12.4: 高斯过程: With An Exponential Kernel
    • 12.5: 高斯过程:回归
  • 第七周

    • 13.1: 模型组合方法(vs贝叶斯模型平均法)
    • 13.2: Bootstrapping方法和Feature Bagging方法
    • 13.3: Adaboost方法
    • 13.4: 决策树和随机森林

课程视频和PDF下载链接在下方的PDF文件中

成为VIP会员查看完整内容
UvA - Machine Learning 1课程视频与PDF链接.pdf
0
13

本课程由四个部分组成。

  • 数学基础。矩阵、向量、Lp范数、范数的几何、对称性、正确定性、特征分解。无约束优化,graident下降,凸函数,拉格朗日乘数,线性最小二乘。概率空间,随机变量,联合分布,多维高斯函数。

  • 线性分类器。线性判别分析、分离超平面、多类分类、贝叶斯决策规则、贝叶斯决策规则的几何、线性回归、逻辑回归、感知器算法、支持向量机、非线性变换。

  • 学习理论。偏差与方差、训练与测试、泛化、PAC框架、Hoeffding不等式、VC维。

  • 鲁棒性。对抗性攻击,有目标和无目标攻击,最小距离攻击,最大损失攻击,规则攻击。通过纳微扰。支持向量机的鲁棒性。

https://engineering.purdue.edu/ChanGroup/ECE595/index.html

成为VIP会员查看完整内容
0
22

这是一门关于机器学习的入门课程。机器学习是一组技术,它允许机器从数据和经验中学习,而不是要求人类手工指定所需的行为。在过去的20年里,机器学习技术在人工智能的学术领域和科技行业中都变得越来越重要。本课程提供了一些最常用的ML算法的广泛介绍。

课程的前半部分侧重于监督学习。我们从最近邻、决策树和集合开始。然后介绍了参数化模型,包括线性回归、logistic回归和softmax回归以及神经网络。然后我们转向无监督学习,特别关注概率模型,以及主成分分析和k均值。最后,我们介绍了强化学习的基础知识。

课程内容:

  • 最近邻导论
  • 决策树集成
  • 线性回归线性分类
  • Softmax回归、SVM、Boosting
  • PCA、Kmeans、最大似然
  • 概率图模型
  • 期望最大化
  • 神经网络
  • 卷积神经网络
  • 强化学习
  • 可微分隐私
  • 算法公平性

https://www.cs.toronto.edu/~huang/courses/csc2515_2020f/

推荐阅读材料: Hastie, Tibshirani, and Friedman: “The Elements of Statistical Learning” Christopher Bishop: “Pattern Recognition and Machine Learning”, 2006. Kevin Murphy: “Machine Learning: a Probabilistic Perspective”, 2012. David Mackay: “Information Theory, Inference, and Learning Algorithms”, 2003. Shai Shalev-Shwartz & Shai Ben-David: “Understanding Machine Learning: From Theory to Algorithms”, 2014.

学习路线图:

成为VIP会员查看完整内容
0
37
小贴士
相关论文
Arnald Puy,Samuele Lo Piano,Andrea Saltelli,Simon A. Levin
0+阅读 · 4月8日
Robert Dyro,James Harrison,Apoorva Sharma,Marco Pavone
0+阅读 · 4月6日
Lei Yu
0+阅读 · 4月5日
Nancy Xu,Sam Masling,Michael Du,Giovanni Campagna,Larry Heck,James Landay,Monica S Lam
0+阅读 · 4月4日
Dimity Miller,Niko Sünderhauf,Michael Milford,Feras Dayoub
1+阅读 · 4月3日
Ramakanth Pasunuru,Mohit Bansal
4+阅读 · 2018年4月17日
Top